DataLearner - Data Mining Soft

DataLearner是一個易於使用的工具，可用於從您自己兼容的ARFF和CSV格式的訓練數據集中進行數據挖掘和知識發現。它是完全獨立的，不需要外部存儲或網絡連接-它可以直接在手機或平板電腦上構建模型。

>> ARFF和CSV支持<<

訓練數據集必須為CSV（逗號分隔的變量）或Weka ARFF格式。

CSV文件必須具有以下功能：

*包含標題行

*類屬性最初設置為最後一列

>>將類別屬性強制為標稱<<

DataLearner的大多數算法都希望使用標稱/分類類屬性，而使用數字類屬性將導致大多數算法失敗。新的“標稱值的力類屬性”功能克服了此問題，但是，標稱類屬性的不同值太多，可能會佔用太多RAM。

DataLearner具有來自開源Weka（Waikato知識分析環境）軟件包的分類，關聯和聚類算法，以及查爾斯斯特大學（Charles Sturt University）數據科學研究部門（DSRU）開發的新算法。該應用程序結合在一起提供了42種機器學習/數據挖掘算法，包括RandomForest，C4.5（J48）和NaiveBayes。

DataLearner不會收集任何信息-它僅需要訪問設備存儲即可加載數據集並建立機器學習模型。

* DataLearner在 ITC573數據和知識工程主題中被用作教學工具查爾斯斯特大學（Charles Sturt University）信息技術碩士學位。

* DataLearner研究在ADMA 2019（第15屆高級數據挖掘和應用國際會議）上發表，並發表在``人工智能講義''（Springer）中

獲取資源：

Github上GPL3許可的源代碼： https://github.com/darrenyatesau/DataLearner

YouTube上的快速視頻： https://youtu.be/H-7pETJZf-g

關於arXiv的研究論文： https://arxiv.org/abs/1906.03773

發起DataLearner的AusDM 2018會議論文： https://www.researchgate.net/publication/331126867

研究人員，如果您在研究應用程序中使用此應用程序，請引用上面的研究論文。謝謝。

機器學習算法包括：

•貝葉斯– BayesNet，NaiveBayes

•功能–物流，SimpleLogistic，多層感知器（神經網絡）

•懶惰-IBk（K最近的鄰居），KStar

•元– AdaBoostM1，Bagging，LogitBoost，MultiBoostAB，隨機委員會，RandomSubSpace，RotationForest

•規則–聯合規則，決策表，DTNB，JRip，OneR，PART，Ridor，ZeroR

•樹– ADTree，BFTree，DecisionStump，ForestPA，J48（C4.5），LADTree，隨機森林，RandomTree，REPTree，SimpleCART，SPAARC和SysFor。

•群集器– DBSCAN，期望最大化（EM），最遠優先，FilteredClusterer，SimpleKMeans

•關聯– Apriori，FilteredAssociator，FPGrowth

免責聲明：本軟件按“原樣”提供-經過測試，並不暗示或給予任何保證。需要您自擔風險使用它。您下載該軟件即表示您同意這些條款。